基于学习因子变异的粒子群优化算法源码

资 源 简 介

本项目旨在开发一套基于MATLAB的高效全局优化工具，核心在于实现引入学习因子变异机制的粒子群优化（PSO）算法。针对标准粒子群算法在进化后期种群多样性降低、容易陷入局部最优解以及收敛精度不高的问题，本项目通过动态调整或随机变异学习因子（个体认知系数c1和社会认知系数c2）来改善算法性能。项目主要功能包括：1. 种群初始化模块，支持自定义粒子数量、搜索空间维度及速度位置限制；2. 核心迭代引擎，实现了速度与位置更新公式，并在此基础上集成了学习因子变异策略，根据迭代进程或粒子停滞状态动态改变c1和c2的值，以平衡算法在不同阶段的全局勘探与局部开发能力；3. 适应度评估模块，兼容多种标准测试函数（如Sphere, Rosenbrock, Rastrigin等）及用户自定义目标函数；4. 可视化分析模块，能够实时绘制适应度收敛曲线、粒子分布动态图，并输出最优解的具体数值与收敛代数。

详 情 说 明

基于学习因子变异的粒子群优化算法 (LF-PSO)

项目简介

本项目实现了一套基于MATLAB的高效全局优化工具，核心在于引入了学习因子变异机制的粒子群优化（PSO）算法。针对标准粒子群算法在进化后期容易丧失种群多样性、陷入局部最优以及收敛精度不足的问题，本项目采用了线性时变加速系数（TVAC）结合高斯变异策略。通过动态对学习因子（个体认知系数 $c_1$ 和社会认知系数 $c_2$）进行随机扰动，算法能够更灵活地平衡全局勘探（Exploration）与局部开发（Exploitation）能力。

主要功能特性

• 增强型核心算法：集成线性递减权重策略与时变学习因子，并叠加随机变异机制，有效跳出局部最优。
• 多维度参数控制：支持自定义种群规模、最大迭代次数、搜索维度、速度限制及变异概率。
• 动态可视化监控：在运行过程中实时显示收敛曲线、二维平面粒子分布图以及学习因子的动态变化轨迹。
• 多场景适应性：内置多种标准测试函数（单峰/多峰），验证算法在不同地形下的鲁棒性。
• 详细结果分析：运行结束后自动输出最优解、收敛精度、运行时间，并生成最终的静态分析图表。

算法实现细节

本项目的主要脚本（main.m）完整封装了算法的所有流程，具体实现逻辑如下：

1. 参数配置与种群初始化

• 基础参数：设定种群规模为50，最大迭代次数为1000，决策变量维度为30。
• 初始化策略：在通过 GetTestFunction 获取的搜索空间界限（lb, ub）内，利用均匀分布随机生成粒子的初始位置。
• 速度限制：为了防止粒子飞出搜索空间，将最大速度 $V_{max}$ 限制为搜索范围的15%。
• 初始评估：计算初始种群的适应度，并据此确立初始的个体最优（pbest）和全局最优（gbest）。

2. 惯性权重与基础学习因子更新

采用线性时变策略来控制核心参数：

• 惯性权重 ($w$)：随迭代次数从 0.9 线性递减至 0.4。在初期保持较大的$w$有利于全局搜索，后期减小$w$有利于精确收敛。
• 基础学习因子：

* 自我认知系数 ($c_1$)：从 2.5 线性降低至 0.5。初期强调个体认知，保持群体多样性。 * 社会认知系数 ($c_2$)：从 0.5 线性增加至 2.5。后期强调社会经验，加速向全局最优收敛。

3. 学习因子变异策略 (核心创新)

在每一代迭代中，引入概率性的变异机制来干扰学习因子：

• 变异触发：设定变异概率 mut_prob 为 0.1（10%的概率）。
• 高斯变异：当触发变异时，对当前的 $c_1$ 和 $c_2$ 叠加标准正态分布噪声（高斯噪声），扰动幅度由 mut_scale (0.5) 控制。

* 逻辑：c_new = c_old + randn * 0.5

• 边界保护：为防止参数失控导致算法发散，强制将变异后的 $c_1, c_2$ 限制在 [0.1, 4.0] 区间内。

4. 粒子状态更新

依据标准PSO公式进行位置和速度的迭代：

• 速度更新：结合当前惯性、个体历史最优方向（由 $c_1$ 加权）和群体全局最优方向（由 $c_2$ 加权）计算新速度。
• 位置更新：利用新速度更新粒子位置。
• 边界处理：对越界的速度和位置进行强制截断（Clamping），确保粒子始终在合法解空间内。

5. 可视化与交互

具备强大的实时监控能力：

• 收敛曲线：实时绘制对数坐标下的适应度下降曲线。
• 种群分布：在二维平面（前两个维度）上动态展示粒子的聚集与扩散过程，用红色五角星标记全局最优位置。
• 参数追踪：实时绘制 $c_1$ 和 $c_2$ 的变化曲线，直观展示线性变化趋势下的随机变异波动。
• 防卡死机制：通过 mod(t, 20) == 0 控制绘图刷新频率，通过 drawnow limitrate 保证运算效率。

6. 测试函数集

代码内部集成了以下标准测试函数，用于评估算法性能：

1. Sphere：单峰函数，测试收敛速度。
2. Rosenbrock：病态函数，测试陷入局部最优后的逃逸能力。
3. Rastrigin（默认）：多峰函数，存在大量局部极值，测试全局寻优能力。
4. Griewank：多峰函数，测试在复杂波形表面的搜索能力。

使用方法

1. 确保计算机上安装了 MATLAB (推荐 R2016b 及以上版本)。
2. 直接运行主程序脚本。
3. 程序将自动开始迭代，并弹出 "LF-PSO 优化过程" 窗口实时显示动画。
4. 运行结束后，MATLAB 命令行窗口将打印运行时间、最优适应度、最优位置坐标等信息。
5. 程序会生成第二张图表 "LF-PSO 最终分析"，展示完整的收敛历史和参数变异历史。

修改配置

若需调整测试环境，可在代码顶部的 参数设置 区域修改：

• 修改 f_select = 3 中的数字（1-4）来切换测试函数。
• 修改 algo_params.PopSize 调整种群数量。
• 修改 algo_params.mut_prob 调整变异概率。